针对在线故障诊断中多源信息利用不足与模型识别精度不高的问题，提出了一种主成分分析（principal component analysis， 简称PCA）与残差注意力网络相结合的多传感器融合故障诊断方法（multi-sensor feature fusion residual attention network， 简称MSF-ResAttNet），以实现三相异步交流电动机的高精度诊断。首先，采集电动机在不同运行状态下的振动、电压及电流等多源信号；其次，利用PCA对同源传感器数据进行数据层融合，增强多源信息的关联性与稳定性；然后，将数据层融合后的特征输入结合多分支残差结构与通道-空间双重注意力机制（convolutional block attention module，简称CBAM）注意力模块的深度神经网络，实现对关键特征通道和空间位置的自适应提取与强化；最后，在电动机故障诊断实验平台上与卷积神经网络（convolutional neural network，简称CNN）、残差神经网络（residual neural network， 简称ResNet）、早期融合卷积神经网络（early fusion convolutional neural network，简称EF-CNN）及多传感器融合卷积神经网络（multi-sensor feature fusion convolutional neural network，简称MSF-CNN）进行对比，并在公开数据集KAIST上进行迁移测试。结果表明，MSF-ResAttNet在实验平台的诊断准确率为99.57%，在公开数据集KAIST测试的诊断准确率为98.86%，与其他方法相比均具有一定的优势，提升了电动机故障诊断的精度，具有较强的泛化能力。